Evaluation et quantification de différents facteurs influençant le temps de traitement orthodontique
Notice bibliographique
Résumé
INTRODUCTION : Une des préoccupations principales des patients concerne la durée globale du port des appareils orthodontiques. Ils désirent obtenir un résultat esthétique et fonctionnel en un minimum de temps. Avant de se porter vers des approches censées diminuer le temps de traitement, il est essentiel de comprendre avant tout les facteurs qui peuvent le rallonger. Une correction rapide et de qualité des malocclusions est à la fois profitable au patient et au praticien traitant. Cela diminue les effets secondaires liés à un traitement prolongé (carie, perte osseuse, déminéralisation de l’émail, etc.) tout en permettant à l’orthodontiste de mieux prévoir les coûts et dépenses découlant du bon fonctionnement de la clinique. OBJECTIF : L’objectif de la présente étude est d’évaluer et de quantifier les différentes variables pouvant influencer le temps de traitement orthodontique. MATÉRIELS ET MÉTHODES : L’étude compte 300 dossiers de patients suivis en rétention à la clinique d’Orthodontie de l’Université de Montréal. Huit d’entre eux ont été exclus en raison d’un mauvais suivi de leur traitement suite à des problèmes de santé ou pour cause de données manquantes. Les variables suivantes ont été extraites des dossiers : les informations du patients, les données cliniques et radiologiques liées aux malocclusions, les éléments de la planification et de l’exécution du traitement et ce qui a trait à la coopération du patient. Les analyses statistiques effectuées sont des analyses uni-variées (chi-carrée, t-test et ANOVA) pour identifier les variables ayant un effet sur le temps de traitement. La normalité de distribution des données a été vérifiée par un test Shapiro-Wilk. Une valeur de p < 0,05 était considérée statistiquement significative. Par la suite une régression multiple a été utilisée pour construire un modèle permettant de prédire le temps de traitement. RÉSULTATS ET DISCUSSION : Nous avons trouvé que la coopération est un des facteurs importants dans la variation du temps de traitement. Chaque rendez-vous manqué (RVM) et chaque boîtier décollé augmentent la durée de port d’appareillages fixes de 2,3 mois et 1 mois respectivement. Les variables ayant un impact sur la durée de la phase active sont nombreuses, allant de la planification des extractions jusqu’au protocole de traitement choisi. Par exemple, l’utilisation de l’adhésif Assure® et de la résine Transbond XT™ permettent un traitement plus effectif en un temps moindre, tout en limitant le nombre de boîtiers décollés. L’âge n’a pas d’influence contrairement à la sévérité de la malocclusion initiale (surplomb horizontal [OJ] et surplomb vertical [OB]) qui, par exemple, augmente la durée de traitement d’environ 10 jours par point du discrepancy index (DI) ou encore de 0,7 mois par millimètre de sévérité de classe II selon Angle. Les données récoltées nous ont permis d’établir le modèle de prédiction suivant : Temps de traitement estimé = 12,606 mois + 0,316 (si homme) + 0,084 x (valeur OJ) + 0,301 x (valeur OB) + 0,339 X (Point de DI) + 0,699 x (Sévérité Cl II) + X (valeur de la résine) + Y (valeur de l’adhésif) + Z (valeur du boîtier) + 4,297 (si extractions) + 4,163 (si port élastiques) + 1,750 (si clinicien anciennement gradué) + 2,297 x (par RVM) + 0,971 x (par boîtier décollé). CONCLUSION : Selon les résultats de cette étude, le temps de traitement orthodontique est influencé par les facteurs suivants selon leur ordre d’importance : extraction(s), coopération, malocclusion initiale, produits de collage et boîtiers utilisés, expérience du clinicien et sexe. Mots-clés : Orthodontie, temps de traitement, coopération, boîtier décollé, malocclusion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».